NumPy使用手记NumPy使用手记.doc

NumPy使用手记[z] Posted on 2010-08-03 08:45 白途思 阅读(699) 评论(0) 编辑 收藏 前面一个NumPy系列基本上是抄书，没有多少具体的内容。最近做实验经常使用NumPy，确实感觉到向量计算的强大。这个系列开始，我记录在使用NumPy使用中的一些具体的技巧和注意事项。 1） 巧用 where函数 ? where函数是numpy的内置，也是一个非常有用的函数，提供了快速并且灵活的计算功能。 def f_norm_1(data, estimate):?? residule = 0?? for row_index in range(data.shape[0]):???? for column_index in range(data.shape[1]):?????? if data[row_index][column_index] != 0:???????? residule += (data[row_index][column_index] - estimate[row_index][column_index]) ** 2?? return residule def f_norm_2(data, estimate)? ??? return sum(where(data != 0, (data-estimate) **2, 0)) 这两段代码完成同样的功能，计算两个矩阵的差，然后将残差进行平方，注意，因为我需要的是考虑矩阵稀疏性，所以不能用内置的norm，函数1是我用普通的python写的，不太复杂，对于规模10*10的矩阵，计算200次耗时0.15s，函数2使用了where函数和sum函数，这两个函数都是为向量计算优化过的，不仅简介，而且耗时仅0.03s, 快了有五倍，不仅如此，有同学将NumPy和matlab做过比较，NumPy稍快一些，这已经是很让人兴奋的结果。 ? 本篇我们看看NumPy中最为基本的Array操作 from numpy import * 创建一个矩阵 a=array([[1,2,3],[4,5,6]]) a.shape(2, 3) b=arange(15);print b[ 0? 1? 2? 3? 4? 5? 6? 7? 8? 9 10 11 12 13 14] b.reshape(3,5)array([[ 0,? 1,? 2,? 3,? 4],[ 5,? 6,? 7,? 8,? 9],[10, 11, 12, 13, 14]]) 可以看到，A是2行3列的矩阵。通过arange方法，可以得到一个1维的数组。然后我们可以通过reshape方法改变它的维度。 c=zeros((4,5));print c[[ 0.? 0.? 0.? 0.? 0.][ 0.? 0.? 0.? 0.? 0.][ 0.? 0.? 0.? 0.? 0.][ 0.? 0.? 0.? 0.? 0.]] d=ones((5,7));print d[[ 1.? 1.? 1.? 1.? 1.? 1.? 1.][ 1.? 1.? 1.? 1.? 1.? 1.? 1.][ 1.? 1.? 1.? 1.? 1.? 1.? 1.][ 1.? 1.? 1.? 1.? 1.? 1.? 1.][ 1.? 1.? 1.? 1.? 1.? 1.? 1.]] e=add(c,arange(20).reshape(4,5)) f=dot(e,d);print f[[ 10.? 10.? 10.? 10.? 10.? 10.? 10.][ 35.? 35.? 35.? 35.? 35.? 35.? 35.][ 60.? 60.? 60.? 60.? 60.? 60.? 60.][ 85.? 85.? 85.? 85.? 85.? 85.? 85.]] 使用zeros可以生成一个零矩阵。同理，用ones可以生成值全部为1的矩阵。我选择了一个4*5的矩阵e，和一个5*7的矩阵d做点乘。最后得到f矩阵。再举一个更加明显的例子： a=arange(5);print a[0 1 2 3 4] b=arange(5).reshape(5,1);print b[[0][1][2][3][4]] print dot(a,b)[30] 点积的效果更加明显了。 ndarray的几个常用属性： · shape： 代表一个array的形态，是一个向量还是一个矩阵，抑或是一个更复杂的向量组。 · ndim： 代表这个array的维度 · size： 在array中拥有的元素数量 · itemsize： 这个array中每一个